Topic Model

最新推荐文章于 2024-09-27 10:29:15 发布
最新推荐文章于 2024-09-27 10:29:15 发布
阅读量1k 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 TopicModel PLSA LDA
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/junxinsiwo/article/details/19824805
版权

印象笔记

http://app.yinxiang.com/shard/s27/sh/f56bce5e-af9e-4454-8dc6-537ac53cefd9/3039697731f8c6f4aea090e97e1d545c


董一峰
关注
专栏目录
topic model
11-11
lda topic model blei
Topic Model（主题模型）交流
xizi_fish的专栏
07-13 838
最近开始研究主题模型，觉得这是一个
第 7 章 topic
weixin_34327223的博客
01-02 76
<topic xmlns='http://docbook.org/ns/docbook' version="5.1"> <info> <title>Troubleshooting</title> </info> <para>If your <citetitle>J...
主题模型TopicModel：LDA编程实现
chuange6363的博客
08-14 152
http://blog.csdn.net/pipisorry/article/details/45771045 LDA的python实现 从0开始实现 Shuyo的github代码：实现语言,Python,实现模型，LDA，Dirichlet Process Gaussian Mixtu...
TopicModel4J:TopicModel4J
05-11
TopicModel4J：用于主题模型的Java包[J]。 arXiv预印本arXiv：2010.14707，2020。 该软件包是关于自然语言处理（NLP）的主题模型的。 它为研究人员和数据分析师提供了易于使用的界面。 动机：我开发此Java软件包来...
eae_topicmodel
04-04
在这个项目中，"eae_topicmodel-main"可能是一个包含EAE主题模型实现的Jupyter Notebook文件。用户可以通过运行Notebook中的代码单元格，逐步完成数据预处理、模型训练、结果可视化等步骤。这使得其他人能够理解、...
Seed-Guided Topic Model for Document Filtering and Classification
02-07
Seed-Guided Topic Model for Document Filtering and Classification
直线拟合衡量投资组合收益稳定性
junxinsiwo的专栏
10-17 1024
有如下图投资组合的净值走势图，如何去衡量组合的稳定性？ 组合稳定性，如果理解为组合净值走向可预测，那么我可以拟合一条直线，用图2 中阴影面积来作为稳定性的分值。 拟合直线 假设直线：y=kx+by=kx+b k 是斜率，b 是斜率。 训练数据：[(x1,y1),(x2,y2)...(xn,yn)][(x_1,y_1),(x_2,y_2)...(x_n,y_n)] 策略：用最小二乘进行参数估计
Query Kmeans
junxinsiwo的专栏
09-14 952
通过 kmeans 对用户 Query 进行聚类
机器学习笔记目录
junxinsiwo的专栏
03-05 936
朴素贝叶斯分类器，K最近邻分类器，线性回归，逻辑回归，Topic Model，聚类，关联规则挖掘，Apriori ，FP-Growth
机器学习-模型集成
最新发布
junxinsiwo的专栏
09-27 1012
XGBoost（Extreme Gradient Boosting）是一种流行的机器学习算法，特别适用于处理具有大量数据的监督学习任务。它基于梯度提升决策树（Gradient Boosting Decision Trees, GBDT）框架，通过优化目标函数并使用正则化技术来提高模型的性能。
朴素贝叶斯分类
junxinsiwo的专栏
02-17 843
分类是机器学习最常见的任务 不同类型的分类 分类器的分类 朴素贝叶斯分类（Naive Bayes，NB） 评测 朴素贝叶斯分类特点
线性感知机和SVM（初探）
junxinsiwo的专栏
11-06 841
https://www.evernote.com/shard/s146/sh/9ff61eb0-e777-4da0-bc11-09f5f0769383/b88a9d30bd7079d540a117e8c77c4f69
线性回归和逻辑回归(初探)
junxinsiwo的专栏
11-12 823
线性回归:一元线性回顾,多元线性回归，从概率和Bayesian 后验概率方面来解释线性回归。 逻辑回归:梯度下降法，牛顿法，回溯直线搜索来确定步长。 正则化框架：常用的正则化项。
关联规则挖掘
junxinsiwo的专栏
08-03 773
关联规则挖掘
K最邻近算法（K-Nearest Neighbor,KNN）(初探)
junxinsiwo的专栏
11-06 698
http://app.yinxiang.com/shard/s27/sh/73e3a39b-bb22-40b6-9fdd-228d4567422a/4fc90a46d2a45542026af6fcc4e40c53
dynamic topic model
12-22
动态主题模型（Dynamic Topic Model，DTM）是一种用于分析时间序列文本数据的概率图模型。它是主题模型的一种扩展，主要用于发现和跟踪文本数据中随时间变化的主题。与传统的静态主题模型不同，动态主题模型可以捕捉主题随时间变化的情况，并且可以找出主题的演化趋势。 动态主题模型一般基于贝叶斯框架建模，将文本数据视为一系列文档的集合，每个文档包含多个时间点的文本内容。模型假设主题在不同时间点的分布是相关联的，并且随时间演化。通过引入时间参数，动态主题模型可以将主题的变化与时间进行关联，并找出主题随时间变化的规律。 动态主题模型的应用领域广泛，包括社交媒体数据分析、新闻报道分析、金融数据分析等。在社交媒体数据中，可以利用动态主题模型跟踪用户话题的变化，更好地理解用户在不同时间点关注的热点话题。在新闻报道分析中，可以使用动态主题模型发现新闻报道中主题随时间的变化，更好地理解新闻报道的演化过程。在金融数据分析中，动态主题模型可以用于发现不同时间点市场中关注的主题，为投资决策提供更多信息。 总的来说，动态主题模型是一种非常有用的工具，可以帮助人们更好地理解文本数据中主题的变化趋势，并且在实际应用中具有广泛的潜力。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值